针对运动目标的多无人机协同鸽群优化搜索方法

针对多无人机协同运动目标搜索问题,本文设计了改进鸽群优化算法的协同搜索决策.首先,基于运动目标的独立性,建立了服从正态分布的目标概率信息图模型;为了提高环境中目标存在的确定度,建立了搜索环境的确定度信息图.其次,通过建立的吸引和排斥数字信息素图,引导无人机向未搜索区域飞行,减少重复搜索概率,提高协同目标搜索效率,并基于传统的鸽群算法,通过加入速度更新修正机制和精英代机制对其进行改进.然后,结合环境中目标的存在概率信息以及无人机搜索目标的探测信息,使用改进鸽群优化算法,规划无人机的最优搜索飞行路径.并设计避碰机制,以有效防止无人机搜索过程中的碰撞.最后,通过比较仿真实验验证了改进鸽群优化算法对运动目标协同搜索的有效性.     

基于信息图的多无人机三维协同搜索动目标方法

针对多无人机协同搜索区域内多运动目标问题,考虑传感器的探测概率与虚警概率、无人机的飞行与避撞约束和目标随机运动等特征,提出基于信息图的多无人机三维协同搜索方法.以无人机搜索的短期收益、长期收益和协调收益的平衡为核心,考虑无人机三维运动的特征,构建多无人机协同搜索的数学规划模型,并设计包含目标存在概率、环境不确定度、重访信息素和搜索增益4个因子的搜索信息图.基于滚动规划架构,整合新提出的剪枝方法进行模型的求解.在典型的协同搜索场景下,通过数值仿真验证所提方法的有效性.仿真结果表明,所提出的方法可以在秒级的时间内做出每架无人机的三维航迹决策,重访信息素和搜索增益因子可以引导无人机捕获更多的目标.对比仿真结果表明,所提出的方法可以在捕获更多目标的同时具有更少的误判次数,有效提升了多无人机协同搜索的任务效能.     

针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

MAUV协同搜索多智能目标的路径规划

本文针对复杂水下环境中多自主式水下机器人(MAUV)协同搜索多个智能目标这一重要课题展开研究. 首 先, 利用马尔科夫链建立智能目标的决策状态转移模型的同时考虑了智能目标决策与行动的对应关系, 并结合不同 光照反射强度下传感器探测概率受限模型, 设计新的目标概率图更新策略. 然后, 结合MAUV系统的约束条件和搜 索效率建立实时适应值函数. 接着, 本文提出一种改进的多狼群算法(IMWPA)搜索策略, 包括: 1) 利用人工势场法 调整步长因子, 使启发式算法更加适应探索过程. 2) 设计多狼群嚎叫环节, 建立了狼群间的信息交流渠道. 3) 提出 新的狼群淘汰更新机制, 保障了人工狼多样性的同时避免算法趋于完全随机. 最后, 通过MATLAB仿真实验对比验 证了本文算法的可行性及优越性.     

连续空间多目标最优化问题的蚁群遗传算法

本文提出了一种基于蚁群算法和遗传算法的多目标蚁群遗传算法,用于解决连续空间中带约束条件多目标最优化问题。本算法先将解空间分解成子区域,再用信息素标定这些子区域,信息素对遗传搜索进行指导,在搜索中更新信息素,同时采用了最优决策集的更新策略和搜索收敛退出机制,从而提高求解效率,降低算法复杂度。实验证明,与以往算法相比,此算法能更快、更精确地逼近Pareto前沿。     

可控搜索偏向的二元蚁群算法

蚁群算法按照信息素轨迹产生的偏向对解空间进行搜索．当前改进蚁群算法性能的主要方法是提高种群的多样性,少有对搜索偏向进行控制．本文以可控搜索偏向作为研究的出发点,通过对至今最优信息素更新方式的分析,得出了从任意代到算法收敛没有发现较优解的概率下限．并以此为基础,把访问量与蚂蚁数量的关系作为控制偏向的依据,在兼顾提高种群多样性的前提下,设计了可控搜索偏向的二元蚁群算法．通过多个函数的测试以及0—1多背包问题的应用,其实验结果表明该算法有较好的搜索能力以及较快的收敛速度．     

蒸馏与换热协同的约束多目标在线操作优化方法

针对蒸馏装置与换热网络间缺乏协同优化导致的分馏精度差和能耗高的问题,提出了一种基于代理模型的约束多目标在线协同操作优化方法.为了解决蒸馏装置与换热网络操作参数协同优化时存在的计算耗时和约束的问题,构建Kriging代理模型来近似目标函数和约束条件,提出了基于随机欠采样和Adaboost的分类代理模型（RUSBoost）来解决类别不平衡的收敛判定预测问题.提出了基于多阶段自适应约束处理的代理模型的模型管理方法,该方法采用基于参考向量激活状态的最大化改善期望准则和可行概率准则更新机制来平衡优化初始阶段种群的多样性和可行性,采用支配参考点的置信下限准则更新机制加快收敛速度.通过不断与机理模型交互来在线更新代理模型,实现在线操作优化.通过测试函数和仿真实例验证了本文方法的有效性.     

煤炭勘探及救援机器人最优路径规划研究

为了解决三维环境中的煤炭勘探及救援机器人路径规划问题,提出了一种基于改进蚁群算法的煤炭勘探及救援机器人最优路径规划方法。利用栅格法创建了三维空间环境模型,建立了煤炭勘探及救援机器人的路径规划目标函数;通过引入新的启发函数因子、节点随机选择机制、局部更新和全局更新相结合的策略分别对算法的节点转移概率设计、节点选择策略和信息素更新策略进行了优化改进。Matlab仿真结果表明,在三维空间环境模型中,传统蚁群算法和改进蚁群算法均能为煤炭勘探及救援机器人搜索出一条最优路径;在不同任务要求下,改进蚁群算法能有效缩短搜索路径长度和降低路径搜索时间,且具有较强的决策能力和较好的收敛性能。     

类属图密集近邻搜索的视觉跟踪算法研究

提出一种基于密集近邻搜索的视觉跟踪算法,能够有效应对目标跟踪过程中出现的形变和遮挡问题.基于马尔科夫随机场建立图像分割模型,提取出目标部件,建立目标部件的类属图矩阵;通过搜索类属图矩阵中的密集近邻,得到相邻帧之间目标部件的匹配关系;通过匹配关系得到跟踪目标位置概率图,确定目标跟踪位置.实验结果表明:本文提出的方法相比其他同类方法效果更好.     

卫星数传调度的蚁群优化模型及算法

针对卫星数传调度问题,提出了基于任务-资源关联结点的新型解构造图模型,人工蚁群通过任务边和资源弧分阶段进行任务调度序列和资源分配序列构造,设计了任务调度和资源分配启发式信息,以增强蚁群在伪随机状态转移过程中的搜索能力。通过局部信息素更新防止算法陷入局部最优,利用全局信息素更新的信息素正反馈机制使算法逐渐收敛到全局最优。仿真结果表明,新型解构造图反映了任务与资源之间的密切联系,分阶段状态转移策略和启发式信息的利用有助于增强算法的寻优能力,算法正确可行,并具有良好的收敛性、鲁棒性。     

先进布局无人机多目标自适应概率引导控制分配

针对先进布局无人机多操纵面冗余的控制分配问题, 提出一种基于自适应概率引导的混合多目标控制分配方法. 首先, 根据冗余舵面操纵特性, 建立带约束的舵面动态效能模型, 提出精度需求不同的混合多目标优化指标. 随后, 为了综合平衡各目标寻优精度与求解速度提出基于自适应概率引导的多目标粒子群控制分配方法. 该方法根据各目标最优值与期望精度差值构建自适应概率函数, 依概率选择全局最优解, 引导种群向各目标期望精度方向精细搜索以提升算法解算精度, 减少无用搜索以提高求解速度; 同时, 根据收敛性指标增加变异因子, 避免算法陷入局部最优. 最后, 仿真验证该方法可有效处理舵面耦合及非线性特性, 减少能耗损失, 实现操纵面多目标控制分配, 使得无人机快速平稳跟踪控制指令.     

State and Mode Feedback Control for Discrete-time Markovian Jump Linear Systems With Controllable MTPM

In this note, the state and mode feedback control problems for a class of discrete-time Markovian jump linear systems (MJLSs) with controllable mode transition probability matrix (MTPM) are investigated. In most achievements, controller design of MJLSs pays more attention to state/output feedback control for stability, while the system cost in practice is out of consideration. In this paper, we propose a control mechanism consisting of two parts: finite-path-dependent state feedback controller design with which uniform stability of MJLSs can be ensured, and mode feedback control which aims to decrease system cost. Differing from the traditional state/output feedback controller design, the main novelty is that the proposed control mechanism not only guarantees system stability, but also decreases system cost effectively by adjusting the occurrence probability of system modes. The effectiveness of the proposed mechanism is illustrated via numerical examples.      

基于引导滤波和差分图像的多聚焦图像融合方法

针对传统的多聚焦图像的空间域融合容易出现边缘模糊的问题,提出了一种基于引导滤波（GF）和差分图像的多聚焦图像融合方法。首先,将源图像进行不同水平的GF,并对滤波后图像进行差分,从而获得聚焦特征图像;随后,利用聚焦特征图像的梯度能量（EOG）信息获得初始决策图,对初始决策图进行空间一致性检查以及形态学操作以消除因EOG相近而造成的噪点;然后,对初始决策图进行GF以得到优化后决策图,从而避免融合后的图像存在边缘骤变的问题;最后,基于优化后决策图对源图像进行加权融合,以得到融合图像。选取3组经典的多聚焦图像作为实验图像,将所提方法与其他9种多聚焦图像融合方法得到的结果进行比较。主观视觉效果显示,所提方法能更好地将多聚焦图像的细节信息保存下来,另外,经该方法处理后的图像的4项客观评价指标均显著优于对比方法。结果表明,所提方法能够获得高质量的融合图像,较好地保留原始图像信息,有效解决传统多聚焦图像融合出现的边缘模糊问题。     

无人机群目标搜索的主动感知方法

为提升蚁群搜索算法在规模大的栅格环境中对未知目标的搜索效率,提出基于蚁群算法的主动感知搜索框架。该框架通过应用历史环境信息来选择无人机的运动方式,并由无人机运动方式和感知域信息得到新的环境信息,从而实现无人机群的智能自动化搜索功能。新方法计算出一种具有探索偏好的未搜索概率,可使无人机搜索时偏向未搜索程度高的栅格,以此来提高算法的搜索能力。同时,以未搜索概率和信息素作为运动方式决策的依据来建立一种新的运动方式选择机制。该机制不仅考虑了目标可能出现的区域,又可兼顾未知区域,从而可实现无目标先验信息条件下的搜索过程。仿真结果表明,此算法在规模大的栅格环境中,与现有算法相比具有更高的搜索效率,并且得到的目标分布信息将更加全面。     

基于近正交试验的无人机搜索策略建模

研究无人机对地目标螺旋式搜索过程中的轨距优化问题。为寻求最优的无人机搜索轨距,根据实际情况建立3种模型。在分析每种模型的优缺点及适应情况的基础上,综合3种模型,建立一个适应各种作战情况的单一参数表达模型,应用近正交试验确定参数表达模型中的参数值。该模型可以解决不同作战环境下无人机对地目标螺旋式搜索过程中的轨距优化问题,可为制定无人机对地目标螺旋式搜索策略提供理论依据。     

State and mode feedback control strategy for discrete‐time Markovian jump linear systems with time‐varying controllable mode transition probability matrix

In this article, the state and mode feedback control strategy is investigated for the discrete‐time Markovian jump linear system (MJLS) with time‐varying controllable mode transition probability matrix (MTPM). This strategy, consisting of a state feedback controller and a mode feedback controller, is proposed to ensure MJLS's stability and meanwhile improve system performance. First, a mode‐dependent state feedback controller is designed to stabilize the MJLS based on the time‐invariant part of the MTPM such that it can still keep valid even if the MTPM is adjusted by the mode feedback control. Second, a generalized quadratic stabilization cost is put forward for evaluating MJLS's performance, which contains system state, state feedback controller, and mode feedback controller. To reduce the stabilization cost, a mode feedback controller is introduced to adjust each mode's occurrence probability by changing the time‐varying controllable part of MTPM. The calculation of such mode feedback controller is given based on a value‐iteration algorithm with its convergence proof. Compared with traditional state feedback control strategy, this state and mode feedback control strategy offers a new perspective for the control problem of general nonhomogeneous MJLSs. Numerical examples are provided to illustrate the validity of the proposed strategy.     

Response Threshold Model Based UAV Search Planning and Task Allocation

This paper addresses a search planning and task allocation problem for a Unmanned Aerial Vehicle (UAV) team that performs a search and destroy mission in an environment where targets with different values move around. The UAVs are heterogeneous having different sensing and attack capabilities, and carry limited amount of munitions. The objective of the mission is to find targets and eliminate them as quickly as possible considering the values of the targets. In this context, there are two distinct issues that need to be addressed simultaneously: search planning and task allocation. The search plan generates an efficient search path for each UAV to facilitate a fast target detection. The task allocation assigns UAVs attack tasks over detected targets such that each UAV’s attack capability is respected. We model these two issues in one framework and propose a distributed approach that utilizes a probabilistic decision making mechanism based on response threshold model. The proposed approach accounts for natural uncertainties in the environment, and provides flexibility, resulting in efficient exploration in the environment and effective allocation of attack tasks. The approach is evaluated in simulation experiments in comparison with other methods, of which results show that our approach outperforms the other methods.     

一种融合多特征的UAV快速目标识别

针对UAV(Unmanned Aerial Vehicle)侦察图像快速目标识别问题,提出一种融合多特征的UAV快速目标识别算法。该算法结合图像的不变矩特征和SIFT特征,用不变矩特征构造适应度函数并利用遗传算法的全局搜索能力,在侦察图像中进行搜索,快速提取出可能包含目标的感兴趣区域(Region Of Interest,ROI)。采用尺度不变特征变换算法(Scale Invariant Feature Transform,SIFT)在ROI区域中进行匹配识别,从而精确确定目标的位置。仿真结果表明:该算法的鲁棒性较强,能有效识别特定目标并显著减少识别时间。